Professional Documents
Culture Documents
net/publication/38183228
Tutorial Viola-Jones
CITATIONS READS
0 903
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Modesto Castrillón Santana on 03 June 2014.
1. Introducción
OpenCV [2] incorpora1 , gracias a la implementación de R. Lienhart [3], las
funciones necesarias tanto para entrenar un clasicador basado en el marco general
de detección de objetos de Viola-Jones [5, 6] como para su uso. Este documento
pretende describir las experiencias adquiridas por su autor en la elaboración de
distintos clasicadores integrados en la distribución de OpenCV desde su versión
2.0. Una fuente indispensable para la consecución de las experiencias alcanzadas
en este tutorial ha sido [4].
2. Creación de un clasicador
2.1. Creación del conjunto de datos de entrenamiento
1
2 CREACIÓN DE UN CLASIFICADOR 2
generar.
num : número de muestras a generar. Existen posibilidades de ge-
1 createsamples . exe - info pos . txt - vec data \ clasif \ samples . vec -
num 10000 -w 20 -h 20
2.2. Entrenamiento
2.3. Test
Para probar la bondad del clasicador hacemos uso del comando performance:
1 performance - data < localización del clasificador > - info < muestras de test >
3. Errores
Errores registrados en el foro, que deberían estar corregidos en las versiones
más recientes:
4. Ejercicio propuesto
Desarrollar un detector basado en Viola-Jones tras escoger un objeto deter-
minado a detectar
Componer la base de imágenes positivas, quizás requiriendo anotación
Componer la base de imágenes negativas
Entrenar
Usar el proyecto ViolaDetectorDemo para ver su funcionamiento en vivo.
4 EJERCICIO PROPUESTO 7
Repositorio clasicadores:
Alejandro Reimondo
SIANI
4.1. Un ejemplo
1 \ % Leemos la imagen
2 img = imread (' CaraPromedio . jpg ') ;
3 imshow ( uint8 ( img ));
4
5 disp (' Haga clic en las esquinas del contenedor de la cara ') ;
6 [x y ]= ginput (2) ;
7
8 hold on ;
9 plot ([ round (x (1) ) round (x (1) ) round (x (2) ) round (x (2) ) round (x (1) ) ] ,[ round (y
(1) ) round (y (2) ) round (y (2) ) round (y (1) ) round (y (1) )],'-',' Color ','g
') ;
10 hold off ;
1 echo OJO DERECHO , destacar que tanto para el derecho como para el izquierdo no
se indica como patrón simétrico
2 set WIDTH =18
3 set HEIGHT =12
4 set NUMPOS =14172
4 EJERCICIO PROPUESTO 9
Referencias
[1] P.N. Belhumeur, J.P. Hespanha, and D.J. Kriegman. Eigenfaces vs. Fish-
erfaces: Recognition using class specic linear projection. IEEE Trans. on
PAMI, 19(7):711720, 1997. http://citeseerx.ist.psu.edu/viewdoc/
summary?doi=10.1.1.10.3247.
[2] Intel. Intel Open Source Computer Vision Library, v1.1ore.
http://sourceforge.net/projects/opencvlibrary/, October 2008.
[3] Rainer Lienhart and Jochen Maydt. An extended set of Haar-like features
for rapid object detection. In IEEE ICIP 2002, volume 1, pages 900903,
September 2002.
[4] Naotoshi Seo. Tutorial: Opencv haartraining (rapid object detection with a
cascade of boosted classiers based on haar-like features). http://note.
sonots.com/SciSoftware/haartraining.html.
[5] Paul Viola and Michael J. Jones. Rapid object detection using a boosted
cascade of simple features. In Computer Vision and Pattern Recognition,
pages 511518, 2001.
[6] Paul Viola and Michael J. Jones. Robust real-time face detection. International
Journal of Computer Vision, 57(2):151173, May 2004.